企业官网建设流程全解析

李宏毅深度学习教程（苹果书）：15 份作业 Notebook 带你从回归一路做到元学习

【免费下载链接】leedl-tutorial《李宏毅深度学习教程》（李宏毅老师推荐👍，苹果书🍎），PDF下载地址：https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial

学深度学习时，最常见的卡点不是"看不懂视频"，而是"看完就完"：经典中文课大多是纯录像，没有能直接跑起来的配套代码，想动手时连环境怎么配都无从下手。leedl-tutorial（李宏毅深度学习教程，也就是大家说的"苹果书"🍎）补的正是这个缺口——基于台大李宏毅老师的《机器学习》课程整理，每一章配一份可运行的 PyTorch 作业 Notebook 和对应的 PDF 讲义，从回归、卷积、自注意力讲到 GAN、迁移学习、元学习。把作业按顺序做完，就能把深度学习的主流专题亲手过一遍。

怎么理解：它为什么是"讲义+作业"的成对结构

可以把它想成大学里的"课件+习题册"：讲义（docs/ 目录下的 PDF 内容）负责把公式一步步推到底，降低阅读门槛；作业册（Homework/ 下 15 份 Notebook）则每章一道题，要求你亲手把模型搭出来、训练出来、提交预测结果。光看课件，梯度下降只是你"知道"的东西；亲手做完 HW1 的回归作业，它才变成你会用的工具。这套结构对新手尤其友好——每份作业都从数据加载写到评估输出，中间留了 TODO 让你补关键实现，等于把"该自己动手的部分"和"可以直接参考的部分"提前划好了边界。

怎么实现：三条从入门到进阶的路径

从第一份回归 Notebook 跑通环境

如果还没配过深度学习环境，先打开 Warmup/Google_Colab_Tutorial.ipynb 和 Warmup/Pytorch_Tutorial_2.ipynb 熟悉 PyTorch 基本操作，然后直接进 Homework/HW1_Regression/HW1_Regression.ipynb。这一份作业会带你用线性回归拟合数据、调学习率、观察损失下降，训练过程还能用 TensorBoard 可视化。接下来依次是 HW2 分类、HW3 卷积神经网络，难度都是阶梯式上升的，做完这三份你基本就摸熟了"数据—模型—优化器—评估"这条完整链路。

做一道迁移学习作业：真实照片认出手绘涂鸦

Homework/HW11_Adaptation/HW11-Adaptation.ipynb 是一道很典型的"数据分布不一致"问题：源数据是打标签的真实照片，目标数据是没有标签的手绘涂鸦，直接拿照片训练的模型去认涂鸦会掉点。作业让你实现领域对抗训练（Domain Adversarial Training，简称 DaNN，可以理解为"让特征提取器学会提取与画不画无关的通用特征"），中间还穿插了用 Canny 边缘检测把照片预处理得更像涂鸦这种小技巧，工程味道很浓。

往前站一步：终身学习与元学习

Homework/HW14_LifeLongML/HW14-LifeLongMachineLearning.ipynb 处理灾难性遗忘（模型学新任务时会把旧任务忘光）问题，把方法归成重放、正则化、参数隔离三大族，样例代码实现了 EWC 等正则化路线；Homework/HW15_MetaLearning/HW15-MetaLearning.ipynb 则让你在 Omniglot 手写字符数据集上实现MAML（一种"学会如何快速学习"的元学习算法），体会 N-way K-shot 这种"每类只给几张图"的评测方式。两份作业对应的 PDF 讲义（HW14.pdf、HW15.pdf）把理论讲得更完整，建议对照着做。

怎么验证：用作业里的真实曲线检验训练是否收敛

HW11 的 DaNN 训练完成后，可以画三条曲线对照：训练准确率、域分类器准确率和测试准确率。作业中自带的参考曲线显示，跑满 2000 个 epoch 后，源域训练准确率逼近 0.98，而真正代表泛化能力的测试准确率稳定在 0.73 左右，同时域分类器准确率被压回 0.55 附近——后者正是 DaNN 想要的效果：让特征"区分不了"照片和涂鸦，逼特征提取器只学内容本身。

怎么上手：入口、目录和勘误在哪里

• 先浏览 Homework/readme.md，15 份作业按 HW1 到 HW15 排好序，每份都标了代码和讲义的对应关系，照着挑章节即可
• 想本地阅读，把仓库 clone 下来即可：git clone https://gitcode.com/GitHub_Trending/le/leedl-tutorial
• 买到纸质书的话，对照 docs/errata.md 的勘误修订表查页码和公式修订，按你手上书的印次往上看需要留意的条目
• 每份作业的 PDF 讲义（如 HW3_CNN.pdf）与同名 Notebook 放在同一目录下，做不动时翻讲义找推导

建议的路径是：Week 1 做 HW1 到 HW3 打基础，之后每周挑一份进阶作业（HW6 的 GAN、HW11 的迁移学习、HW15 的元学习完成得度最高），做一份、看一份讲义，比一口气看完再动手有效得多。

【免费下载链接】leedl-tutorial《李宏毅深度学习教程》（李宏毅老师推荐👍，苹果书🍎），PDF下载地址：https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial